前言
近段时间，如果说不知道Agent，好像都不知道怎么聊天了。看各种文章，感觉Agent有点妖魔化：一个提示 + 一堆 工具 + 一个循环搞定一切的理想范式给带沟里了。幸好在github上看到了 12-factor-agents 的独特见解，忍不住想跟大家聊聊：**AI Agent到底是个啥？Agents are software, and a brief history thereof -**我们是怎么一步步走到今天的？
1、60年前：软件就是个有向图
还记得你们画的流程图吗？其实软件本质上就是个有向图（Directed Graph）。60年前，我们的前辈们用流程图来表示程序逻辑，一个框框代表一个操作，一条线代表执行路径。
这事儿听起来简单，但它奠定了整个软件工程的基础。软件 = 节点**+ 边**，就这么朴素。
2、20年前：DAG（有向无环图）编排器的黄金时代
大约20年以前，DAG（有向无环图）编排器开始流行。本质上就是把流程图工程化了。
我在大厂做大数据平台时（当然肯定不是2000年、而是近几年），天天跟这些玩意儿打交道。说白了，就是把复杂的数据处理流程（如ETL），拆成一个个小任务，然后像搭积木一样组装起来。好处显而易见：
-
可观测性：每个节点执行情况一目了然
-
模块化：一个节点挂了不影响其他
-
可重试：失败了自动重跑
那时候我们觉得，这就是软件工程的终极形态了。结果呢？AI来了。
3、10年前：机器学习模型开始入场
ML模型开始变得实用。开始在DAG里塞入各种模型：情感分析、文本摘要、图像识别…
比如做一个智能客服系统，工作流大概是这样：
-
接收用户消息
-
ML模型分类问题类型
-
路由到对应处理逻辑
-
ML模型生成回复建议
-
人工审核后发送
看起来很智能对吧？但本质上，还是确定性的软件在主导，ML只是个高级工具。
现在：Agent时代的承诺与现实
Agent的美好愿景
AI Agent最吸引人的地方是什么？你不用再写死每条路径了！
传统开发：程序员要考虑所有边界情况，写一堆if-else
Agent开发：给LLM一个目标和一组工具
让它自己找路！
这就像从「手把手教孩子走路」变成了「告诉孩子目的地，让他自己导航」。理论上，我们写更少的代码，处理更复杂的问题。
Agent的核心循环
-
LLM确定工作流程中的下一步，输出结构化的JSON（“工具调用”）
-
确定性代码执行工具调用
-
结果将附加到上下文窗口
-
重复直到确定下一步“完成”
initial_event = {"message": "..."}
context = [initial_event]
while True:
next_step = await llm.determine_next_step(context)
context.append(next_step)
if (next_step.intent === "done"):
return next_step.final_answer
result = await execute_step(next_step)
context.append(result)
看着挺简单是吧？LLM决定下一步，执行，把结果塞回上下文，重复直到完成。
简化的看类似：
残酷的现实：任务通过率总是那么不理想
但是哥们儿，我必须告诉你一个血淋淋的事实：当上下文窗口变长后，Agent会迷路。
太多Agent在执行10-20轮后开始鬼打墙：
-
反复尝试同样的失败方案
-
忘记之前做过什么
-
在错误的路径上越走越远
就像你跟ChatGPT聊天，聊着聊着它就开始胡言乱语了。这个问题，即使context从8K扩到256K，依然存在。
一个扎心的真相：小而专注的prompt，永远比长篇大论效果好。
实际有效的方案：微型Agent（当然只是现阶段，未来谁说的准呢）
经过这些年的摸索，发现真正能落地的是「微型Agent」模式。
什么是微型Agent？
不是让一个Agent包打天下，而是在传统DAG流程中，嵌入多个职责单一的小Agent。每个Agent只管3-10步的小任务。
实战案例：部署机器人
比如一个部署机器人，流程是这样的：
-
人类：合并PR到主分支
-
确定性代码：部署到测试环境
-
确定性代码：跑端到端测试
-
Agent介入：处理生产部署
-
Agent提议：部署前端到生产
-
人类反馈：“先部署后端吧”
-
Agent理解并调整：好的，先部署后端
-
执行部署…
-
确定性代码：验证部署结果
这个Agent的价值在哪？它能理解人类的自然语言反馈，并****调整执行策略。但它的职责范围很小，不会失控。
Agent的本质：四个核心组件
剥开所有花里胡哨的包装，一个Agent就是：
-
Prompt：告诉LLM怎么做，有哪些工具
-
Switch语句：根据LLM返回的JSON决定执行什么
-
上下文累积：记录已发生的步骤和结果
-
For循环：不断询问LLM下一步，直到完成
就这么简单，但魔鬼在细节里。
写在最后：来自12-Factor Agents的启示
回到开头那个问题：Agent逻辑全自动，黑盒自动化可行吗？
我的答案是：目前应该不是。
真正的Agent工程化，需要我们：
-
掌控prompt设计
-
管理上下文窗口
-
控制执行流程
-
灵活接入人工干预
这就是12-Factor Agents要传达的理念：别把控制权全交给黑盒，要像构建传统软件一样构建Agent。
说实话，从写if-else到调教AI，这条路我走了十多年。技术在变，但工程思维没变——复杂问题简单化，大问题拆小，不确定性最小化。
Agent不是魔法，是工程。理解了这一点，你就能避开90%的坑。
最后
为什么要学AI大模型
当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！
DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。
与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
AI大模型系统学习路线
在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。
但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。
AI大模型入门到实战的视频教程+项目包
看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
海量AI大模型必读的经典书籍（PDF）
阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。
600+AI大模型报告（实时更新）
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
AI大模型面试真题+答案解析
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
扫一扫
720
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
